曹天揚(yáng)，申 莉

1.北京遙感設(shè)備研究所，北京100039；2.北京航天福道高技術(shù)股份有限公司，北京100195

1 引 言

傳感器是智能交通的基礎(chǔ)，為交通指揮提供道路交通狀況信息，如流量、速度、占有率、交通密度、排隊(duì)長(zhǎng)度等［1］。目前常用的傳感器主要是感應(yīng)線圈、壓電式檢測(cè)器、固定攝相機(jī)等［2］，它們的監(jiān)測(cè)范圍有限，需組網(wǎng)才能獲取大范圍交通狀況，大多僅部署在城市主干道。

相比于地面?zhèn)鞲衅?，衛(wèi)星遙感的監(jiān)測(cè)面積非常大，可一次性獲取城市整體影像。目前已經(jīng)能夠有效提取出遙感影像中的城市道路［3－4］，如文獻(xiàn)［3—5］分別基于形態(tài)學(xué)、多重信息融合、支持向量機(jī)來提取遙感圖像中的道路，文獻(xiàn)［6］還專門研究了道路邊緣的提取問題。若能再通過圖像處理技術(shù)進(jìn)一步提取其中的車輛運(yùn)行信息，則可以與地面?zhèn)鞲衅餍纬苫パa(bǔ)，從全局角度為交通指揮提供整個(gè)城市的交通狀況［7］。

目前國(guó)內(nèi)外都在廣泛開展交通遙感圖像處理方面的研究，如利用閾值分割技術(shù)區(qū)分道路和汽車［8－12］，在此基礎(chǔ)上采取形態(tài)學(xué)的預(yù)處理措施，可以有效突出汽車的特征，改善識(shí)別效果［13］。機(jī)器學(xué)習(xí)等自適應(yīng)建模技術(shù)也被大量應(yīng)用于這一研究領(lǐng)域，如通過徑向基神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)將紋理特征與亮度特征融合到一起識(shí)別汽車［14－16］。

交通遙感圖像處理的難點(diǎn)在于汽車陰影的干擾，它與深色車亮度相近不易區(qū)分［17－18］。幾輛并排行駛的汽車很容易被對(duì)方的陰影覆蓋，變成一個(gè)連通的深色區(qū)域，被誤識(shí)別為一輛大型汽車。視頻檢測(cè)可以利用地面背景信息消除陰影，但這種方法對(duì)遙感圖像并不適用，因?yàn)檫b感衛(wèi)星的過頂時(shí)間和拍攝次數(shù)有限、對(duì)一個(gè)城市每天最多拍攝一次，很難獲得不包含車的地面背景。如何去除陰影是遙感圖像處理中的一個(gè)研究重點(diǎn)，目前主要采用的方法包括同態(tài)濾波、直方圖均衡、紋理分析等方法［19－20］。但是對(duì)于汽車陰影，處理難度相對(duì)較大，因?yàn)槠嚫浇嬖诙鄠€(gè)相對(duì)運(yùn)動(dòng)的光源，除了太陽光，周圍的汽車、建筑物都會(huì)將太陽光反射到汽車上產(chǎn)生陰影，隨著汽車的移動(dòng)，這些光源的數(shù)量和方向時(shí)刻都在改變，很難通過數(shù)學(xué)模型準(zhǔn)確描述一輛汽車的陰影變化。針對(duì)汽車陰影處理國(guó)內(nèi)外也進(jìn)行了大量研究，例如通過拍攝時(shí)的太陽高度和方位角建立模型、預(yù)測(cè)汽車的陰影，但這些信息需要在遙感城市道路時(shí)同步記錄，否則無法實(shí)現(xiàn)車輛陰影消除［7］。除了陰影，車窗也會(huì)形成干擾，淺色車的車窗（包括前后窗、天窗）呈現(xiàn)深色，會(huì)被誤識(shí)別為深色汽車，很容易把一輛完整的淺色汽車分割為數(shù)個(gè)互不聯(lián)通的小區(qū)域。

針對(duì)上述問題，本文以Phong光照模型為基礎(chǔ)，設(shè)計(jì)了一種交通遙感圖像處理方法，用于識(shí)別、定位路面上的汽車。

2 遙感圖像中的汽車特征

汽車特征提取的主要目的是獲取汽車、路面、陰影3類物體的區(qū)別，建立識(shí)別車輛和消除陰影的方案。

2.1 應(yīng)用Phong光照模型的特征分析

汽車的亮度和陰影的特征可以通過Phong光照模型來描述，物體亮度由環(huán)境光的漫反射、太陽光的漫反射、太陽光的鏡面反射組成，即［21］

式中，ka、kd、ks分別為物體對(duì)環(huán)境光的漫反射系數(shù)、對(duì)太陽光的漫反射系數(shù)和鏡面反射系數(shù)；Ia、Il分別為環(huán)境光及太陽光強(qiáng)度；θ為太陽光與物體表面法線之間的夾角；α為反射光與視線之間的夾角；n為鏡面反射參數(shù)。

考慮到實(shí)際自然場(chǎng)景中絕大部分區(qū)域?yàn)榉枪饣瑓^(qū)域，式（1）中的鏡面反射分量Ilkscosnα＝0。物體對(duì)環(huán)境光的反射系數(shù)ka和對(duì)太陽光的漫反射系數(shù)kd都取決于物體表面特征，二者一致，即ka＝kd。因此物體亮度可以表示為

物體的反射系數(shù)ka＝1時(shí)稱為白體，ka＝0時(shí)稱為黑體。介于白體和黑體之間的稱為灰體。全色遙感圖像中，汽車分為深、淺兩類。淺色車接近于白體，反射系數(shù)ka≈1，亮度為

深色車接近于黑體，反射系數(shù)ka≈0，亮度為

路面亮度處于白體與黑體之間，屬于灰體，亮度為

陰影分為兩種：半影和暗影，它們的亮度可以分別通過式（6）和式（7）表示

式中，λ是光能的損失系數(shù)。光源被物體完全遮擋時(shí)形成暗影，暗影的光強(qiáng)為一常數(shù)，即式（6）中λ＝0的情況；光源部分被物體遮擋時(shí)形成半影，0＜λ＜1；光源沒有被物體遮擋時(shí)，無陰影，λ＝1。陰影的亮度變化是先暗影后半影，順著光照方向陰影由暗變亮，直至達(dá)到路面亮度。

對(duì)于深色車，如圖1（a）所示，由上述公式可知，順著光照方向每一行（圖1（a）中的白線）亮度變化會(huì)經(jīng)歷4個(gè)過程：路面灰度、黑色、漸變?yōu)榛?、路面灰度，如圖1（b）所示。

對(duì)于淺色車，如圖1（c）所示，順著光照方向每一行（圖1（c）中的黑線）亮度變化會(huì)經(jīng)歷5個(gè)過程：路面灰度、白色、黑色、漸變?yōu)榛?、路面灰度，如圖1（d）所示。

2.2 汽車和路面的3項(xiàng)亮度特征

特征1：深色車、路面、淺色車分別處于暗、灰、亮3個(gè)灰度區(qū)域。

特征2：對(duì)于深色車（含車和陰影），沿著光照方向亮度變化過程為：路面灰度、變暗、達(dá)到最小值、增大，路面灰度。

特征3：對(duì)于淺色車（含車和陰影），沿著光照方向亮度變化過程為：路面灰度、變亮、達(dá)到最大值、變暗、達(dá)到最小值、增大，路面灰度。

依據(jù)特征1可從路面中提取車輛區(qū)域（含車和陰影），依據(jù)特征2、特征3可以區(qū)分車和陰影。

圖1 衛(wèi)星遙感圖像中淺色車和深色車的亮度變化過程Fig.1 The luminance variance of dark and bright vehicles in the satellite RS－image

3 交通遙感圖像中的車輛識(shí)別定位

本文的交通遙感車輛識(shí)別定位方法包括3個(gè)環(huán)節(jié)：高斯平滑濾波與圖像旋轉(zhuǎn)、圖層分離與車輛區(qū)域提取、去除陰影和車窗的干擾。如圖2所示，首先將根據(jù)特征1從路面遙感圖像中提取出汽車區(qū)域，然后利用特征2和特征3去除車輛區(qū)域中陰影和車窗造成的干擾，其中圖層分離算法、陰影消除算法、車窗識(shí)別算法是本文根據(jù)亮度特征專門設(shè)計(jì)的。

3.1 高斯平滑濾波與圖像旋轉(zhuǎn)

為了取得最佳的處理效果，首先通過高斯平滑濾波與圖像旋轉(zhuǎn)對(duì)原始遙感圖像進(jìn)行預(yù)處理。高斯濾波可以濾除因物體表面不平而引起亮度的起伏波動(dòng)，有利于根據(jù)像素點(diǎn)灰度的上升／下降趨勢(shì)識(shí)別陰影。圖像旋轉(zhuǎn)可以調(diào)整每列都平行于光照方向，算法僅需逐列分析灰度變化即可完成陰影識(shí)別，能簡(jiǎn)化圖像處理過程。

高斯濾波是一種相鄰像素點(diǎn)的加權(quán)平均

式中，B（x，y）為濾波后的圖像像素點(diǎn)；A（i，j）為原始圖像的像素點(diǎn)；w（i，j）為（x，y）周圍的每個(gè)像素在濾波結(jié)果中的權(quán)重系數(shù)。數(shù)據(jù)處理時(shí)，式（8）對(duì)（i，j）∈s的區(qū)域內(nèi)進(jìn)行加權(quán)平均，中心點(diǎn)權(quán)重最高，然后依次向四周遞減。濾波效果如圖1（b）所示，相比于圖1（a）的原始圖像，汽車和路面的亮度變化都比較緩和。

圖2 交通遙感車輛識(shí)別定位圖像處理過程Fig.2 The RS－image processing for vehicles recognition and location

圖像旋轉(zhuǎn)的公式為

式中，（x0，y0）為原始遙感圖像的像素點(diǎn)；（x1，y1）為旋轉(zhuǎn)后的像素點(diǎn)坐標(biāo)；α為旋轉(zhuǎn)角度。因?yàn)樘柟馐瞧叫泄猓瑘D像中所有物體的陰影都指向相同方向，遙感圖像的旋轉(zhuǎn)角度α可通過計(jì)算淺色車陰影邊界與圖片邊界之間的夾角確定，旋轉(zhuǎn)效果如圖3（b）所示，列像素與陰影的方向平行。

3.2 圖層分離與車輛區(qū)域提取

車輛區(qū)域識(shí)別的目標(biāo)是將深色車和淺色車與路面遙感圖像區(qū)分開，而多類目標(biāo)區(qū)分一般很難做到準(zhǔn)確：深色車會(huì)干擾淺色車的識(shí)別，造成求取的閾值偏小，較亮的路面會(huì)被誤識(shí)別為淺色車；檢測(cè)深色車時(shí)，較暗的路面也會(huì)被誤識(shí)別。一種常用的解決方案是通過形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)將圖像變?yōu)閮蓮?，分別消除深色車和淺色車［15］，但由于仍有一些殘留，后續(xù)處理會(huì)受影響。

圖3 高斯平滑濾波與圖像旋轉(zhuǎn)的圖像處理效果Fig.3 The processing result of Gaussian smoothing and image rotation

本文設(shè)計(jì)了一種較為徹底的深、淺汽車分離和檢測(cè)方法：首先基于直方圖確定分界點(diǎn)，將原始圖像分為深、淺兩個(gè)圖層，然后利用最大類間方差法在每個(gè)圖層中分別識(shí)別深、淺車輛。該方法還包含亮度增強(qiáng)和深色圖層反轉(zhuǎn)兩個(gè)輔助環(huán)節(jié)，可以有效提高汽車和路面的區(qū)分效果。

3.2.1 深色車與淺色車的圖層分離

由特征1可知，深色車、路面、淺色車分別處于黑、灰、白3個(gè)區(qū)間。遙感圖像的直方圖中，路面像素點(diǎn)最多，形成巨大的峰，如圖4（a）所示。深、淺汽車的像素點(diǎn)分別位于峰的兩側(cè)。

圖4 直方圖Fig.4 Histogram

峰值點(diǎn)的灰度值可以作為圖層的分界點(diǎn)。深色圖層由小于該灰度級(jí)的像素點(diǎn)構(gòu)成，深色車包含其中；淺色圖層由大于該灰度級(jí)的像素點(diǎn)構(gòu)成，淺色車包含其中。圖層分離公式如下：

深色圖層

淺色圖層

式中，x是原始遙感圖像；x0是深色圖層；x1是淺色圖層；xmax是分界點(diǎn)。為每個(gè)圖層分別求取各自的閾值，即可準(zhǔn)確劃定遙感圖像中每輛汽車所在的區(qū)域。

深色圖層灰度范圍為［0，xmax］，淺色圖層為［xmax，255］，它們的亮度都不足。為了提高汽車和路面的對(duì)比度，通過式（13）增強(qiáng)圖層亮度，將灰度范圍擴(kuò)展到［0，255］

式中，［a，b］為變換前的灰度范圍；y（i，j）為變換后的灰度值。淺色圖層的處理效果如圖5（c）所示。

為了提高在計(jì)算機(jī)上的圖像處理的效率，深色圖層的像素點(diǎn)y（i，j）可通過式（14）反轉(zhuǎn)為z（i，j），使深色車的形式與淺色車一致，如圖5（b）所示。分割汽車和路面時(shí)，兩個(gè)圖層可調(diào)用同一個(gè)軟件程序分別求取各自的分割閾值

圖5 交通遙感圖像處理過程Fig.5 The RS－image processing for traffic

3.2.2 基于閾值分割法的遙感圖像車輛提取

深、淺圖層的特征可以在直方圖中清晰地顯示出來，汽車和路面像素點(diǎn)各自集中于高、低兩個(gè)灰度區(qū)域，如圖4（b）、4（c）所示，非常有利于使用最大類間方差法設(shè)定閾值區(qū)分車輛和路面［13－14］。最大類間方差法的核心是求取汽車和路面的類間方差σ2t

式中，i為灰度級(jí)（共L級(jí)），它的出現(xiàn)概率為Pi；為汽車出現(xiàn)的概率；為路面出現(xiàn)的概率；分類準(zhǔn)則函數(shù)為

遍歷256個(gè)灰度級(jí)，使σ2t最大的t就是區(qū)分路面和汽車的最佳閾值。深色車區(qū)域和路面的分割效果如圖5（d）所示，淺色車區(qū)域和路面的分割效果如圖5（e）所示。淺色車區(qū)域中只有淺色車；而深色車區(qū)域中不但包含深色車，還包含深、淺汽車的陰影，以及淺色車的車窗。陰影和車窗的去除將在下一環(huán)節(jié)完成。

3.3 去除陰影和車窗的干擾

圖層分離與車輛區(qū)域提取過程易受到陰影和車窗的干擾：①陰影干擾，陰影會(huì)被識(shí)別為深色車，當(dāng)車間距很小時(shí)，深色車區(qū)域會(huì)被陰影連接到一起，被誤識(shí)別為一輛超大型汽車，如圖5（d）所示；②車窗干擾，因淺色車的車窗呈深色而劃分到深色圖層，一輛完整的淺色車會(huì)被分割為數(shù)段，如圖5（e）所示。

這里設(shè)計(jì)了一種算法來消除陰影、車窗造成的干擾：首先利用光照變化特征2和特征3，順著光照方向分析亮度的變化過程，消除部分陰影、斷開陰影造成的深色車區(qū)域連接，將每輛車都劃分到單獨(dú)的區(qū)域進(jìn)行定位；然后利用淺色車的位置確定深色圖層中哪些是它的陰影和車窗，通過閉運(yùn)算將它們與車合并到一起。此時(shí)深色圖層中僅剩深色車。

3.3.1 深色車的陰影識(shí)別和去除

由亮度變化特征3可知，留在深色圖層中的淺色車陰影與深色車相近，也呈現(xiàn)類似亮度變化特征2的現(xiàn)象，灰度由大變小再變大、遠(yuǎn)離太陽的方向逐步上升。因此可以利用汽車陰影的這種特征，順著光照方向?qū)ι钌噮^(qū)域所包含的遙感圖像逐列掃描，斷開車與車之間因陰影造成的連接。陰影消除過程分為兩種情況：

情況1：深色車區(qū)域內(nèi)只有一輛車。按照亮度變化特征2，每一列中會(huì)有1個(gè)最小值。該最小值將列像素點(diǎn)分為兩段，遠(yuǎn)離光源一段為陰影，靠近光源一段為汽車。

情況2：深色車區(qū)域內(nèi)有多輛車。因?yàn)檐囕v和陰影交替出現(xiàn)，每一列中會(huì)有多個(gè)極小值和極大值交替出現(xiàn)。亮度變化特征2表明，兩個(gè)極大值之間包含一輛汽車（和它的陰影）。與情況1同理，兩個(gè)極大值之間的極小值可以作為陰影和汽車的分界線，分界線遠(yuǎn)離光源一段為陰影，靠近光源一段為汽車。

處理效果如圖5（f）所示，可以有效消除汽車間的陰影連接。這種方法還可以消除淺色車的大部分陰影。根據(jù)亮度變化特征3，淺色車的陰影呈波谷狀，靠近汽車的一部分陰影仍存在于濾除結(jié)果中。這部分殘留將在下一個(gè)環(huán)節(jié)進(jìn)行處理。

考慮到陰影面積與太陽高度角相關(guān)，當(dāng)陰影增大時(shí)更多的路面紋理包含其中，會(huì)造成陰影內(nèi)部的亮度波動(dòng)起伏、不利于算法消除陰影。因此本文引入了低通濾波器對(duì)圖像預(yù)處理、消除陰影中的亮度波動(dòng)起伏

式中，Y（i）是平滑后的圖像；z（i）是原始圖像；α為平滑系數(shù)（0＜α＜1），當(dāng)太陽高度角變低、陰影面積增加時(shí)，通過減小α增強(qiáng)濾波能力，可以有效平滑陰影中的亮度起伏。

3.3.2 淺色車的陰影、車窗識(shí)別與深、淺汽車定位

淺色車陰影、車窗、天窗造成的干擾可以通過它們與車的位置關(guān)系消除。雖然與淺色車不在同一個(gè)圖層，但陰影、車窗與汽車的坐標(biāo)靠在一起。盡管閾值分割會(huì)使它們收縮，但與淺色車間隔1～2個(gè)像素仍可認(rèn)為是它的車窗和陰影；由于汽車之間要保持安全距離（≥2m，≥4像素），深、淺色汽車不會(huì)靠得像淺色車與它的陰影（車窗）一樣近。因此從深色圖層中提取出與淺色車位置接近的識(shí)別結(jié)果，然后與淺色車合并，可以將淺色車的各個(gè)部分重新合并成一輛完整的汽車。合并過程采用形態(tài)學(xué)的閉運(yùn)算實(shí)現(xiàn)，如圖5（g）所示，可在遙感圖像中準(zhǔn)確標(biāo)識(shí)出每輛淺色車。閉運(yùn)算是先膨脹后腐蝕

式中，Y表示圖像；S表示結(jié)構(gòu)元素。結(jié)構(gòu)元素S在圖像Y中不斷移動(dòng)。腐蝕的結(jié)果是S完全包含在Y中時(shí)，S原點(diǎn)（中心）的位置集合。膨脹的結(jié)果是S中至少有一個(gè)點(diǎn)包含在Y中時(shí)，S原點(diǎn)（中心）的位置集合。此時(shí)深色圖層中的剩余部分都是深色汽車。陰影消除環(huán)節(jié)易造成畸變，汽車的識(shí)別結(jié)果很容易被割裂。這種問題也可以通過閉運(yùn)算消除，畸變的修整效果如圖5（f）所示。

為了進(jìn)一步改善效果，深、淺汽車識(shí)別結(jié)果中的噪聲點(diǎn)采用開運(yùn)算去除，如圖5（h）、圖5（i）所示

3.4 試驗(yàn)與討論

3.4.1 試驗(yàn)結(jié)果

為了驗(yàn)證算法的適用性，本文從GoogleEarth選取了10組衛(wèi)星遙感道路照片進(jìn)行測(cè)試，包括天津市、張家口市、秦皇島市、錦州市，以及美國(guó)的洛杉磯市。識(shí)別定位效果如圖6所示（白色黑框三角形標(biāo)示淺色車，白色十字標(biāo)示深色車）。

表1中，10組圖像的平均識(shí)別率為淺色車大于92%、深色車大于87%。

表1 深、淺汽車在遙感圖像中的識(shí)別結(jié)果Tab.1 The recognition result of vehicles of different color in the RS－image %

3.4.2 試驗(yàn)數(shù)據(jù)分辨率討論

（1）對(duì)于遙感圖像中深淺兩類汽車，圖6的識(shí)別結(jié)果表明算法都能夠較準(zhǔn)確識(shí)別。

（2）對(duì)于不同城市和地區(qū)的遙感圖像，表1的試驗(yàn)結(jié)果表明算法具有較廣泛的適用性。

（3）汽車靠得比較近時(shí)算法出現(xiàn)分辨率誤差，此處的深色車位于淺色車的陰影中（圖6的中部），陰影不能被去除過多，否則深色汽車的識(shí)別結(jié)果區(qū)域過小、會(huì)被當(dāng)作噪聲濾除，因此造成淺色車陰影有剩余、易被誤識(shí)別為深色汽車從而產(chǎn)生誤差。如何同時(shí)保證準(zhǔn)確識(shí)別汽車和有效去除陰影，將是本算法下一步的研究重點(diǎn)。

圖6 遙感圖像中汽車的識(shí)別定位結(jié)果Fig.6 The recognition and location result of vehicles in the RS－image

4 結(jié) 論

遙感技術(shù)可以獲取城市整體交通信息，從全局角度判別交通狀況。本文針對(duì)交通遙感圖像處理的核心環(huán)節(jié)，設(shè)計(jì)了一種在交通衛(wèi)星遙感圖像中進(jìn)行車輛識(shí)別定位的方法，該算法以光照模型為基礎(chǔ)，提取出路面、深色車、淺色車以及汽車陰影的亮度變化規(guī)律，以此為基礎(chǔ)能較準(zhǔn)確地識(shí)別定位交通遙感圖像中的每輛汽車，并且可以有效消除陰影和車窗造成的干擾。

［1］ KIM Y W，OKUMA S，NARIKIYO T.Traffic Network Control Based on Hybrid Dynamical System Modeling and Mixed Integer Nonlinear Programming with Convexity Analysis［J］.IEEE Transactions on Man and Cybernetics，Part A：Systems and Humans，2008；38（2）：346－357.

［2］ SETCHELL C，DAGLESS E L.Vision Based Road Traffic Monitoring Sensoring［J］.IEEE Proceedings of Vision Image and Signal Processing，2001，148（1）：78－84.

［3］ ZHU Changqing，WANG Yaoge，MA Qiuhe，et al.Road Extraction from High－resolution Remotely Sensed Image Based on Morphological Segmentation ［J］. Acta Geodaetica et Cartographica Sinica，2004，33（4）：347－351.（朱長(zhǎng)青，王耀革，馬秋禾，等.基于形態(tài)分割的高分辨率遙感影像道路提?。跩］.測(cè)繪學(xué)報(bào)，2004，33（4）：347－351.）

［4］ LI Xiaofeng，ZHANG Shuqing，HAN Fuwei，et al.Road Extraction from High Resolution Remote Sensing Images Based on Multiple Information Fusion ［J］. Acta Geodaetica et Cartographica Sinica，2008，37（2）：178－184.（李曉峰，張樹清，韓富偉，等.基于多重信息融合的高分辨率遙感影像道路信息提取［J］.測(cè)繪學(xué)報(bào)，2008，37（2）：178－184.）

［5］ CHEN Jie，DENG Min，XIAO Pengfeng，et al.Object－oriented Classification of High Resolution Imagery Combining Support Vector Machine with Granular Computing［J］.Acta Geodaetica et Cartographica Sinica，2011，40（2）：137－141.（陳杰，鄧敏，肖鵬峰，等.結(jié)合支持向量機(jī)與粒度計(jì)算的高分辨率遙感影像面向?qū)ο蠓诸悾跩］.測(cè)繪學(xué)報(bào)，2011，40（2）：137－141.）

［6］ ZHOU Shaoguang，XU Yong.To Extract Roads with No Clear and Continuous Boundaries in RS Images［J］.Acta Geodaetica et Cartographica Sinica，2008，37（3）：301－307.（周紹光，徐勇.在高分辨率遙感影像中提取無清晰連續(xù)邊緣線的道路［J］.測(cè)繪學(xué)報(bào)，2008，37（3）：301－307.）

［7］ LIU Zhumei，LIU Yalan，TAN Qulin，et al.Progress in Vehicle Detection from High Resoluion Satellite Imagery［J］.Remote Sensing Technology and Application，2012，27（1）：8－14.（劉珠妹，劉亞嵐，譚衢霖，等.高分辨率衛(wèi)星影像車輛檢測(cè)研究進(jìn)展［J］.遙感技術(shù)與應(yīng)用，2012，27（1）：8－14.）

［8］ LARSEN S O，SALBERG A B.Automatic Vehicle Counts from QuickBird Images［C］∥Joint Urban Remote Sensing Event.Munich：IEEE，2011：9－12.

［9］ HONG Z，LI L.An Artificial Immune Approach for Vehicle Detection from High Resolution Space Imagery［J］.IJCSNS International Journal of Computer Science and Network Security，2007，7（2）：67－72.

［10］ MISHRA R K，ZHANG Y.Automatic Moving Vehicle’s Information Extraction from One－pass Worldview－2 Satellite Imagery［C］∥Proceedings of International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences.Montreal：GEOIDE，2012：323－328.

［11］ HE Xiaofei，ZHOU Liqion，LI Jian.Traffic Information Extraction Based on the High Resolution of Remote Sensing Image ［J］. Urban Geotechnical Investigation＆Surveying，2011（3）：49－51.（何曉飛，周麗瓊，李建.基于高分辨率遙感影像的車流信息提?。跩］.城市勘測(cè)，2011（3）：49－51.）

［12］ QI Lina，ZHANG Bo，WANG Zhankai.Application of the OTSU Method in Image Processing［J］.Radio Engineering，2006，36（7）：25－26.（齊麗娜，張博，王戰(zhàn)凱.最大類間方差法在圖像處理中的應(yīng)用［J］.無線電工程，2006，36（7）：25－26.）

［13］ YU Yong，ZHENG Hong.Vehicle Detection from High Resolution Satellite Imagery Based on the Morphological Neural Network［J］.Joumal of Harbin Engineering University，2006，27：189－193.（余勇，鄭宏.基于形態(tài)神經(jīng)網(wǎng)絡(luò)的高分辨率衛(wèi)星影像車輛檢測(cè)［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2006，27：189－193.）

［14］ LIU Jianxin.The Study of Algorithm about Vehicle Detection Based on High Resolution Satellite Image［D］.Dalian：Dalian Maritime University.（劉建鑫.基于高分辨率衛(wèi)星影像的車輛檢測(cè)算法研究［D］.大連：大連海事大學(xué)，2008.）

［15］ ZHENG Hong，HU Xuemin.An Antibody Networks Approach for Vehicle Detection from High Resolution Satellite Imagery［J］.Journal of Remote Sensing，2009，13（5）：920－926.（鄭宏，胡學(xué)敏.高分辨率衛(wèi)星影像車輛檢測(cè)的抗體網(wǎng)絡(luò)［J］.遙感學(xué)報(bào)，2009，13（5）：920－926.）

［16］ EIKVIL L，AURDAL L，KOREN H.Classificationbased Vehicle Detection in High－resolution Satellite Images［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2009，64（1）：65－72.

［17］ SUN H，SUN X，WANG H Q，et al.Automatic Target Detection in High－resolution Remote Sensing Images Using Spatial Sparse Coding Bag－of－words Model［J］.IEEE Geoscience and Remote Sensing Letters，2012，9（1）：109－113.

［18］ LIU J H，F(xiàn)ANG T，LI D R.Shadow Detection in Remotely Sensed Images Based on Self－adaptive Feature Selection［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（12）：5092－5103.

［19］ VOICU L I，MYLER H R，WEEKS A R.Practical Considerations on Color Image Enhancement Using Homomorphic Filtering ［J］.Journal of Electronic Imaging，1997，6（1）：108－113.

［20］ ZHONG Y.Optimization of Building Detection in Satellite Images by Combining Multispectral Classification and Texture Filtering［J］.ISPRS Journal of Photogrammetry＆Remote Sensing，1999，54：50－60.

［21］ KWON Y S，PARK I C，KYUNG C M.A Hardware Accelerator for the Specular Intensity of Phong Illumination Model in 3－dimensional Graphics［C］∥Proceedings of the ASP－DAC Design Automation Conference.Yokohama：［s.n.］，2000：559－564.